1.一种基于视频图像处理的道路拥堵检测方法,其特征在于,该方法具体包括以下步骤:
Step1:从道路监控系统获取原始图像数据R;
Step2:对原始图像数据R进行预处理,得到处理后的数据R′;
Step3:对处理后的数据R′进行特征分析,提取其特征属性Q,特征属性Q包括道路结构化信息Q1和车辆结构化信息Q2;
Step4:对特征属性Q进行关键值提取及关联性判定,关联性判定指车道和车辆的相关性;
Step5:依据车道和车辆的相关性计算拥堵指数,并通过阈值系统对拥堵指数进行决策分析得到道路状态;
Step6:对道路状态中的拥堵状态进行处理。
2.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法,其特征在于:所述步骤Step1中,原始数据R的获取来源于直接架设于道路上的摄像设备、监控中心已经部署好的流媒体平台以及其他道路监控系统;原始数据R包括图片、视频和网络串流。
3.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法,其特征在于:所述步骤Step2中,对原始图像数据R依据其类型进行不同的预处理,具体处理如下:若获取的原始图像数据R的类型为图片形式,则将图像关联性阈值γ设置为0,之后将原始图像数据R中所有数据设置为内部私有数据类型即得到处理后的数据R′;
若获取的原始图像数据R的类型为视频形式,则将图像关联性阈值γ设置为1,之后读取原始图像数据R的每帧数据并将其转化为图片形式,再将数据设置为内部私有数据类型即得到处理后的数据R′;
若获取的原始图像数据R的类型为网络串流形式,则将图像关联性阈值γ设置为0.5,并开启缓存池;接着采用并行处理方式,一方面不断接受网络串流数据,将其每帧数据转化为图片形式并写入缓存池,另一方面从缓存池中不断读取数据,设置为内部私有数据类型即得到处理后的数据R′。
4.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法,其特征在于:所述步骤Step3中具体提取过程如下:以处理后的数据R′即内部私有数据类型作为原型,利用视频分析算法,对处理后的数据R′进行结构化分析,提取其特征属性Q,得到道路结构化信息Q1和车辆结构化信息Q2;
其中道路结构化信息Q1包括车道走向、车道数量和道路形状;
其中车辆结构化信息Q2包括车辆颜色、车辆所处位置和车辆大小。
5.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法,其特征在于:所述步骤Step4的具体过程如下:以特征属性Q中的道路结构化信息Q1为基准,对比车辆结构化信息Q2的变化,并采用滤波算法,去除因车辆结构化信息Q2而造成的阴影和鬼影现象,得出车辆与车道的关联性,即以车辆最后出现的位置信息判断出车辆对应所处的车道。
6.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法,其特征在于:所述步骤Step5的具体过程如下:计算面积拥堵指数G1:
其中,V为所有车道在数据帧中所占的像素面积,V'为所有车辆在数据帧中所占的像素面积;
计算车道拥堵指数G2:
其中,Lp为车道p在数据帧中所占的周长,Lq为车道p对应的所有车辆q在数据帧中所占的周长,i∈[1,z],z为车道总数量;
计算车距拥堵指数G3:
其中,Sj为依据车道的走向及车辆所处位置信息,两两映射出的每个车道上前后相邻车辆之间的车距,j∈[1,v],设两相邻的车辆为一组,v为所有车道上相邻车辆的组数,G3即为所有相邻车辆之间的车距的平均值,单位为米;
依据上述拥堵指数对道路状态进行分析,a若面积拥堵指数G1≥α1,则说明当前道路车辆非常拥堵;若面积拥堵指数α1>G1≥α2,则说明当前道路车辆缓行;若G1<α2,则说明道路空间占有率不足,则进入步骤b通过车道拥堵指数G2继续判断;
b若G2≥α3,则说明当前车道已被车辆全部占用;若α3>G2≥α4,则说明当前车道车辆缓行;若G2<α4,则进入步骤c通过车距拥堵指数G3继续判断;
c若G3≥α5,则说明当前道路畅通,没有车辆拥堵的情况发生;若G3<α5,则说明当前道路部分存在车辆拥堵。
7.根据权利要求6所述的基于视频图像处理的道路拥堵检测方法,其特征在于:其中α1=0.9,α2=0.5,α3=0.8,α4=0.5,α5=0.5,α1、α2、α3、α4和α5的取值可根据实际情况进行调整。
8.根据权利要求1所述的基于视频图像处理的道路拥堵检测方法,其特征在于:所述步骤Step6中对拥堵状态进行处理的方法如下:将处理后的数据R′中相关图片或数据帧按时间顺序生成索引,存储入交通流数据库,并生成相关数据记录;
将发生拥堵状况的道路信息向信息发布平台推送,并将处理后的数据R′中相关图片或数据帧推送至信息发布平台;
触发事件报警,向中控决策平台推送发生拥堵状况的道路信息,并启动道路拥堵报警,等待调度。